产品经理,你的用户流失了怎么办?

有同学问:用户liú失该怎么分析?用户liú失率的数据可以算,可算出来以后呢?只看数据似乎完全看不出什么liú失原因,只知道用户已经X个月没有来了,也不知道看到这个能干啥。今天系统解答一下。

用户liú失分析常见错误

错误1:试图挽留每一位用户

这是运营最常见的错误,很多新人都会踩这个坑。不购物了就发券,不登录了摇转盘。结果空烧经费,养出来一帮无利不起早的羊máo客。

实际上,用户liú失是不可避免的,天下没有100%的留存。每种X都要关注自己的核心用户。在谈及用户liú失的时候,我们真正要做的是:把liú失率关在笼子里,X在一个可以接受的水平上。

错误2:试图搞懂每一个liú失原因

这是分析最常见的错误,很多新人都会踩这个坑。用户不喜欢?我们没做好?对手太厉害?用户没钱了?

总之想给每个人一个理由。可压根没数据,于是大眼瞪小眼。实际上,我们没必要、也没能力穷举所有原因。同上一条,我们只要X可控因素,减少明显错误即可。

错误3:只盯liú失不看活跃,事后诸葛

这是另一个常见错误。在liú失率实际增高以后才开始分析。结果木已成舟,用户都跑了,分析了也没啥用。liú失率是个相对滞后的指标。在数据上“liú失”以前,用户可能已经跑掉了,早前几个月就没活跃了。

所以,liú失率要和活跃率结合起来看。对于影响用户活跃的X要尽早关注,对于核心用户活跃率要紧密X,避免事后做无用功。

用户liú失分析基本思路

用户liú失分析的目标是把liú失率关在笼子里,因此在数据上,我们首先关注的是liú失率走势,尤其关注三类问题(如下图所示)。

用户liú失,该怎么分析?

  1. X型问题。由一次/多次X引发的短期liú失率波动。
  2. 系统型问题。X整体liú失率高于同行/经验水平,并且居高不下。
  3. 持续型问题。liú失率从某时间开始持续增高,未见好转迹象。

liú失率是一个和活跃率相对的概念。虽然我们xí惯上会给一个:用户X月不登录/不购货即为liú失用户的定义,但当用户已经不活跃的时候,X的liú失可能已经发生了。

为了更好的发现liú失问题,往往自然周期和生命周期两种方式,结合活跃率一起看。自然周期往往指向X型问题(因为X是按自然曰期发生的),生命周期往往指向系统型问题(X做得不好,用户生命周期短or存在断点)。

用户liú失,该怎么分析?

X型问题分析方fǎ

X的X会引发用户liú失。比如缺货、X、系统BUG、用户投诉、对手大促销(我们还恰好没做)等等。这一类X最容易被识别到。体现在数据上,受X影响的用户X活跃率,会在X发生后应声而落,之后N个月,liú失率开始增长。

用户liú失,该怎么分析?

在分析时,需要:

  1. 收集并密切注意相关X。
  2. 做好X归类(内部/外部、系统/X/商品……)。
  3. 锁定受影响用户X(打好标签备观察)。
  4. 关注受影响用户活跃变化。
  5. 观察X对整体liú失影响。

这样就事论事,更容易看出结果。在设计挽留方fǎ时,也更容易对症X。找到真正让用户不shuǎng的原因,比单纯的塞优惠券更能保留用户。

需注意:正面X也会提升liú失率。特别是用户拉新、促活、留存、X等等。单纯的X非消费类软指标,最容易引发虚假繁荣。

客观上:只要有优惠活动,就会xī引套利的羊máo客,这类用户天生liú失率就高。

主观上讲:运营方为了X好看的数据,也会减少X,留下套利空间。两下作用,使得正面活动的效果往往会打折。比如新用户注册,由拉新活动产生的用户生命周期liú失率很容易明显高于正常新用户的(如下图),之后N个月,这一批用户liú失率势必高。

用户liú失,该怎么分析?

因此,在做活动的时候,就得提前考虑相关后果。正面X不同于X,该做还得做,我们全面评估它就好了。虽然最后的结果,可能是策划、运营不想面对的,这里实际考察的是大家的节cāo值。

系统型问题分析方fǎ

如果发生系统型问题,只说明一点:我们的X做得比对手差。此时,诊断X问题,改善X表现才是核心。诊断方fǎ,可以参照用户生命周期理论。

用户liú失,该怎么分析?

用户在进入期、成长期、成熟期的liú失原因有所不同,分析的侧重点也有不同,为了节省篇幅,这里简单总结如下图。有兴趣的同学可以在文末点个在看,数量超过20个再看我们专门分享噢。

用户liú失,该怎么分析?

在应对系统型问题时,不同阶段考虑的重点不同。一般在进入期,会无差别改善。在进入期,用户实际上还没有体验到我们X的核心mài点,因此需要无差别改善liú程,让用户尽可能体验到核心mài点再说。

在X行业往往关注黑sè一分钟(下载到注册的一分钟)关注新手教程的过程。在传统行业,往往强调迎客话术,尽快让用户做一次体验,试用一下产品。

进入成长期后,需要分类对待。进入成长期后,边缘用户、羊máo用户会被淘汰,用户价值也开始分化。非核心用户,就该让他liú失掉,一味挽留只是空浪费经费,还会因为打折频繁让品牌贬值。这时要特别关注的是核心用户的liú失,核心用户的活跃率下降,生命周期缩短,新进用户中核心用户占比下降,都是大问题,需要细致梳理和解决。有可能没有等到liú失率真的涨上来,就已经开始行动了。

系统型问题可能不是一步解决的,而是持续迭代的过程。有可能我们能诊断出问题,但解决方案并不好使唤,并不能改善数据。因此如果发现存在系统型问题,需要:

  1. 选好参照标杆,找准差距
  2. 设计解决方案,投入测试
  3. 记录测试结果,观察数据变化
  4. 积累经验,保留有效方fǎ

最终,我们看到的是我们的用户留存曲线越来越接近竞争对手,liú失率持续下降,这时候可以说:系统型liú失问题已得到解决。这中间可能要很多次试验、尝试,因此需要做好观察和记录,打持X。

持续型问题分析方fǎ

持续型问题往往最难解决。因为实际上liú失率、活跃率、留存率等数据,经常出现不规则小幅度波动,而不是大幅度持续增长。这就是真正的基肋问题:放着不管、X总问。想管一管,没有头绪。甚至还有liú失率涨了几天,分析报告还没写出来丫就跌回来了,真是尴尬。

处理的顺序,X型 》系统型 》持续型。因为单次的重大X最容易被识别到,容易X数据看清楚。同时,往往一系列X是导致系统型、持续型问题的根源,能识别具体X对处理其他问题也有帮助。系统型问题,在X方经验丰富的情况下,能找到合适的标杆,因此相对容易处理。

最难的事持续型问题,往往liú失率变化不会持续到特别严重,而是小范围反复波动(如下图),在缺少经验、数据积累的情况下,很难完全识别这些小波动,所以最后解决。如果真解决不了,就设立观察指标,先追踪起来。等到有一定程度,可能可以找到线索。

用户liú失,该怎么分析?

不同X类型liú失处理差异

因为liú失问题和X高度相关,因此不同Xliú失分析方向也不同。从大类上看,有两个最重要的区分维度。

贵重低频产品VS便宜的快消品

越贵的产品(车、房、大件家居、婚庆……),用户决策liú程越长,越倾向于X判断,不存在复购一说。此类X用户决策有明显的窗口期,越往deadline接近,用户最后下判断可能越大。

所以,此类X用户liú失是个倒计时沙漏,在X到用户的第一时间要搞清楚用户状态:用户需qiú是什么、对比了哪些竞品、是否已经开始议价,这样可以大概判断:留给我们的时间还有多少。从而更好X成交机会,赶紧跟进。而不是洒洒不分需qiú,按部就班介绍、跟进,黄huā菜都凉了。

快消品,或者X频次高的消费类产品(比如衣服、鞋、X)用户天生忠诚度低,很容易被liú行趋势、促销活动改X度。完全可以采用无差距挽留的策略。反正用户这一次不mǎi,过一段时间也会回来mǎi。

因此处理此类产品,X企业往往区分平台liú失与产品liú失两个liú失留存。只要用户还停留在平台上,就持续做X。传统企业往往X换季、新品上市、周期庆、节曰活动等手段,多频次激活用户。总之,只要用户价值足够大,就不抛弃、不放弃。

传统行业VSX行业

两者在用户生命周期上积累的数据量不一样。X行业数据较多,往往可以记录用户从XX链接-落地页-注册-浏览-下单全过程,因此常采用漏斗分析fǎ,看liú失用户会卡在哪些步骤,锁定问题点做改进。特别是新人注册阶段,往往是无差别优化。

传统行业往往只有消费数据,因此只能用消费频次、消费间隔来衡量用户。一般用户在消费n次以后,不喜欢的会liú失,喜欢的会持续mǎi,这就是所谓的魔fǎ数字。X魔fǎ数字的大小对比,可以知道自己与对手的差距。至于用户到店-迎客-体验-X-评价等行为层面,完全没有数据,需要X市场X等手段补齐。

这里主要是提醒,X间差异很大,虽然liú失的定义可以定成XX月不登录/不X。但是实际liú失场景可能早就发生了,制止liú失的关键动作也有可能没有数据记录。多结合具体X思考办fǎ,比机械码数字管用。

小结

很多同学觉得用户liú失问题很难处理。从明面上看,是因为用户liú失的数据少,我们不知道用户心理怎么想的。可从本质上看,是因为会导致用户liú失的原因,与用户生命周期、用户分X、用户决策liú程、用户成长路径、新用户转化liú程、用户体验、用户MOT、竞品影响等众多因素有关。

这里随便一个主题拿出来都能单独摆一篇文章。整明白了这些,基本就搞懂了整个用户运营的liú程。本质上,用户liú失分析难,难在:做分析的同学们很少懂用户运营的X。

拉一个做分析的同学出来问:

  • 生命周期该是多长?
  • 行业性留存率是多少?
  • 核心用户是什么X?
  • 核心mài点是什么体验?
  • 竞争对手有多大差异?
  • 最近运营发生了啥事?
  • 出现哪些意外bug?
  • 最新改动有什么影响?
  • ……

回答都是:不太知道。甚至是:统统不知道。你问他知道啥?他只知道计算个liú失率的数据,然后按用户年龄、性别、注册渠道、X频次……等指标做一大堆交叉表。然后对着一组组数据1%、2%、3%的差异发dāi:到底说明什么了呢?

以上是个玩笑。总之分析不仅仅是跑个数据拉个表,更是深入问题内部、找到X上真正病根。

这篇文章已经很长很长了,有不详细之处,以后慢慢补全。欢迎大家持续追剧哦。

#专栏作家#

接地气的陈X,微信X号:接地气学堂,人人都是产品经理专栏作家。资深咨询顾问,在X,金融,快消,零shòu,耐用,X等15个行业有丰富数据相关经验。

本文原创发布于人人都是产品经理。未经许可,jìn止转载

题图来自Unsplash,基于CC0协议

给作者打赏,鼓励TA抓紧创作!

收藏 (0) 打赏

以上内容不错,打赏支持一下!

打开微信/支付宝扫一扫,即可进行扫码打赏哦,分享从这里开始,精彩与您同在
点赞 (0)

声明:本站所有教程资源,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。

雄发创业网 自媒体是如何赚钱的 产品经理,你的用户流失了怎么办? https://www.xiongfawang.com/3427.html

常见问题

相关文章

产品经理,你的用户流失了怎么办?-海报

分享本文封面